Meine Forschung zielt darauf ab, die Effizienz der frühen Prozessentwicklung mit Säugetierzellen in der biopharmazeutischen Industrie durch einen intensivierten Versuchsplanungsansatz (iDoE) zu steigern. Im Gegensatz zur klassischen Versuchsplanung berücksichtigt iDoE intraexperimentelle Variationen kritischer Prozessparameter (CPPs). Dieser Ansatz erhöht nicht nur die Effizienz der Datengenerierung, sondern ermöglicht auch die Berücksichtigung der zeitlichen Prozessdynamik durch stufenweise Optimierung. Eine potenzielle Einschränkung besteht jedoch darin, dass vorherige CPP-Einstellungen die Zellen (irreversibel) beeinflussen und ihr Reaktionsverhalten auf nachfolgende CPP-Sollwerte verändern können.
Um dieses Problem anzugehen, konzentriert sich meine Forschung auf die Entwicklung von Richtlinien für die robuste Planung und Bewertung von iDoEs unter Berücksichtigung der Prozesshistorie. Die vorliegende Simulationsstudie untersucht den Einfluss unterschiedlicher Effektstärken von Interaktionstermen, die mit der Prozesshistorie verknüpft sind, auf unsere Regressionsmodelle. Anschließend werden die Beta-Schätzwerte und Varianzkomponenten dieser Modelle verglichen, um die Auswirkungen der Nichtberücksichtigung der Prozesshistorie zu bewerten. Diese Forschung hat das Potenzial, die biopharmazeutische Industrie maßgeblich zu beeinflussen, indem sie die Prozessoptimierung in der frühen Entwicklungsphase unter Berücksichtigung der dynamischen Natur dieser Prozesse innovativ gestaltet.
Hallo und herzlich willkommen zu meinem kurzen Vortrag über die Simulationsstudie, die ich mit JMP durchgeführt habe. Darin habe ich den Einfluss der Prozesshistorie auf unsere iDoE-Regressionsmodelle simuliert. Zunächst eine kurze Einführung.
Wir arbeiten mit Bioprozessen, die üblicherweise in Bioreaktoren durchgeführt werden. In diesen Bioreaktoren werden Zellen kultiviert, die dann unser Endprodukt, in der Regel einen Antikörper, produzieren. Diese Prozesse hängen von vielen verschiedenen Prozessparametern ab, wie beispielsweise Temperatur, gelöstem Sauerstoff und vielem mehr.
Üblicherweise nutzen wir Versuchsplanung, um die idealen Prozessparameter zur Maximierung unserer Zielgröße zu ermitteln, beispielsweise die Ausbeute unseres Antikörpers oder die Dichte lebensfähiger Zellen, die wir in unserem Prozess erzielen. Diese Prozesse lassen sich in verschiedene klassische Phasen unterteilen, die typisch für einen solchen Zellwachstumsprozess sind: die Wachstums-, die Übergangs- und die Produktionsphase.
Auf der nächsten Folie zeige ich zwei verschiedene Wachstumskurven von Bioreaktoren, die grüne und die blaue. Wie Sie sehen, ist die Wachstumskurve des blauen Bioreaktors in diesem Fall dreimal so hoch wie die des grünen. Worin unterscheiden sie sich? Sie unterscheiden sich, wie Sie jetzt sehen können, durch das jeweils verwendete Temperaturprofil.
Wie Sie sehen, ist die Wachstumskurve im blauen Verfahren deutlich höher. Die Dichte lebensfähiger Zellen ist wesentlich höher als im grünen Verfahren, was zu diesem höheren Titel führt. Dies unterstreicht, dass wir durch das Verständnis der Prozessdynamik die Leistung unserer Bioprozesse potenziell erheblich verbessern können.
Genau das ist die Idee hinter dem intensivierten Versuchsdesign. Dabei unterteilen wir unseren Prozess in separate Phasen. Hier sind Phase eins, Phase zwei und Phase drei, und führen im Verlauf des Experiments Parameteränderungen durch.
Wir würden die Prozessparameter von der Wachstums- zur Übergangs- und schließlich zur Produktionsrückgangsphase ändern und sind dadurch in der Lage, die Parametereinstellungen innerhalb jeder dieser separaten Phasen zu optimieren, anstatt einen einzigen Parametersatz für den gesamten Prozess zu verwenden. So können wir die Prozessdynamik optimieren.
Eine gewisse Herausforderung dieses Ansatzes besteht jedoch darin, den Einfluss der Prozesshistorie auf unsere Regressionsmodelle angemessen zu berücksichtigen. Wie beeinflussen beispielsweise die Prozessparameter von Stufe 1 das Reaktionsverhalten unserer Zellen auf Änderungen der Prozessparameter in Stufe 2 oder Stufe 3? Genau dies ist das Ziel dieser Simulationsstudie: die Untersuchung des Einflusses der Prozesshistorie auf unsere Regressionsmodelle.
Wie habe ich das simuliert? Ich habe die Daten für ein intensiveres Versuchsdesign mit zwei Prozessparametern – in diesem Fall Temperatur und gelöstem Sauerstoff – und drei Phasen (Phase 1, Phase 2 und Phase 3) simuliert. Die Wirkung jedes Prozessparameters innerhalb jeder Phase wird explizit beschrieben, wie hier zu sehen ist: Temperatur und gelöster Sauerstoff für die erste Phase, dann für die zweite und schließlich für die dritte. Alle diese Prozessparameter werden als schwer veränderbare Faktoren modelliert. Gleichzeitig untersuchen wir die Kulturdauer als leicht veränderbaren Faktor, also als zeitliche Komponente.
Wir haben außerdem den Bioreaktor, der als Gesamtfläche modelliert wird, um zufällige Abweichungen zwischen den Bioreaktoren zu berücksichtigen. Wir modellieren ihn als lineares gemischtes Modell.
Wo lässt sich die Prozesshistorie in diesem Zusammenhang finden? Sie findet sich in den Wechselwirkungen zwischen den einzelnen Stufen. Das bedeutet, welchen Einfluss die Prozessparametereinstellungen der ersten Stufe auf das Reaktionsverhalten unserer Zellen bei Änderungen der Prozessparameter in der zweiten oder dritten Stufe haben, hier am Beispiel der Temperatur in Stufe 1. Mithilfe dieser Wechselwirkungen zwischen den Stufen lässt sich der Einfluss der Prozesshistorie abschätzen.
Damit komme ich zum Aufbau meiner Simulation. Ich habe die Plattform „Antwort simulieren“ in JMP verwendet. Um ein Modell zu erstellen und eine Vorstellung davon zu bekommen, wie die Beta-Koeffizienten in diesem Modell aussehen könnten, habe ich genau das Design verwendet, das ich Ihnen in den letzten Folien gezeigt habe.
Ich nutzte Erkenntnisse aus historischen Regressionsmodellen, um dieses Basismodell zu erstellen. Innerhalb dieses Basismodells habe ich die Interaktionen zwischen den einzelnen Phasen simuliert, um den Einfluss der Prozesshistorie zu modellieren. Diese Interaktionen geben uns Aufschluss darüber, wie die Prozesshistorie die Regressionsmodelle beeinflusst.
Um die Daten visuell darzustellen, habe ich hier die Dichte lebensfähiger Zellen über die Kulturdauer für dieses simulierte Basismodell aufgetragen, farblich gekennzeichnet nach dem Temperatureinfluss in Phase 1. Da wir jedoch an den Auswirkungen der Prozesshistorie interessiert sind, habe ich dieses Basismodell abgewandelt und ein alternatives Modell erstellt, in dem ich die Stärke dieser Wechselwirkungen zwischen den Phasen variiert habe. Wie Sie hier sehen, habe ich in diesem Fall die Koeffizienten der Wechselwirkungen zwischen den Phasen verdoppelt, dann halbiert und schließlich geviertelt, um verschiedene Szenarien mit unterschiedlichen Auswirkungen der Prozesshistorie zu simulieren.
Wie Sie in den Diagrammen sehen können, ergeben sich daraus auch völlig plausible Kurven für die Dichte lebensfähiger Zellen. Ich habe die vier eben gezeigten Modelle als feste Effekte in meinen linearen gemischten Modellen verwendet. Zusätzlich habe ich einen zufälligen Fehler im Lochdiagramm und einen zufälligen Residuenfehler eingeführt. Anschließend habe ich diese Modelle angepasst.
Zunächst sehen Sie hier alle relevanten Terme, die ich in meinem Modell verwendet habe. Alle simulierten Terme, einschließlich dieser stufenübergreifenden Interaktionen, die ich als Näherungswert für die Prozesshistorie nutze. Das zweite angepasste Modell enthielt diese stufenübergreifenden Interaktionen nicht und konnte daher die Prozesshistorie nicht berücksichtigen.
Diese beiden Modelle verglich ich anschließend anhand ihrer Beta-Schätzwerte, ihrer Fähigkeit, die aus meiner Simulation bekannten Beta-Koeffizienten sowie die Varianzkomponenten zu schätzen. Ich wiederholte diese Anpassung 1000 Mal und betrachtete anschließend die jeweiligen Verteilungen. Diese möchte ich Ihnen im nächsten Abschnitt der Ergebnisse präsentieren.
Um Ihnen eine Vorstellung davon zu geben, wie die Daten dann tatsächlich aussehen, habe ich hier für ein Beta die Verteilung der Beta-Schätzwerte für das vollständige Modell mit Wechselwirkungen zwischen den Stufen unter Berücksichtigung der Prozesshistorie und für das reduzierte Modell ohne Wechselwirkungen zwischen den Stufen ohne Berücksichtigung der Prozesshistorie visualisiert.
Wie Sie sehen können, besteht bei großen Wechselwirkungen zwischen den Stufen (multipliziert mit dem Faktor zwei) ein recht großer Unterschied zwischen den mittleren Beta-Schätzverteilungen. Bei sehr kleinen Wechselwirkungen zwischen den Stufen ist der Unterschied zwischen den mittleren Schätzwerten beider Beta-Schätzverteilungen der 1000 von mir durchgeführten Anpassungen hingegen sehr gering. Wäre die Differenz der Schätzwerte beider Beta-Verteilungen null, so wären die mittleren Schätzwerte beider Modelle identisch.
Auf der nächsten Folie habe ich die mittlere Differenz zwischen der Beta-Schätzung des vollständigen Modells unter Berücksichtigung der Prozesshistorie und dem reduzierten Modell ohne Wechselwirkungen zwischen den Stufen, das die Prozesshistorie nicht berücksichtigt, berechnet.
Wie wir sehen können, besteht bei großen Effektstärken dieser Wechselwirkungen zwischen den Phasen ein deutlicher Unterschied zwischen den mittleren Beta-Schätzungen des vollständigen Modells und des Modells ohne diese Wechselwirkungen. Bei kleinen Effektstärken ist der Unterschied hingegen nur geringfügig.
Auf der nächsten Folie zeige ich Ihnen die Varianzkomponenten. Der Vergleich des vollständigen Modells unter Berücksichtigung der Prozesshistorie und der Wechselwirkungen zwischen den Phasen zeigt, dass die Varianzkomponenten hier mit 0,25 unabhängig von der Effektstärke dieser Wechselwirkungen korrekt geschätzt werden. Im Gegensatz dazu ist beim reduzierten Modell ohne Wechselwirkungen zwischen den Phasen die Gesamtvarianz im Vergleich zur Restvarianz stark erhöht.
Je kleiner die Effektstärke dieser Wechselwirkungen zwischen den Stufen ist, desto näher kommen diese Varianzkomponenten den tatsächlich simulierten Varianzkomponenten. Diese erhöhte Gesamtvarianz ist wahrscheinlich darauf zurückzuführen, dass das Modell einen Teil dieser Varianz aufgrund fehlender Interaktionsterme erklärt, indem es diesen Gesamtvarianzterm erhöht.
Damit komme ich zum Schluss meiner Präsentation. Wir haben gesehen, dass bei sehr geringen Wechselwirkungen zwischen den einzelnen Phasen – also bei geringem Einfluss der Prozesshistorie – das Modell ohne diese Wechselwirkungen auf das Gesamtmodell projiziert wird, welches die Prozesshistorie berücksichtigt. Das bedeutet, dass diese Wechselwirkungen bei der Modellierung potenziell vernachlässigt werden könnten.
Bei starken Wechselwirkungen zwischen den einzelnen Phasen oder einem hohen Einfluss der Prozessgeschichte kann sich dies deutlich auf die Beta-Schätzung auswirken. Dies zeigt sich im Unterschied zwischen der mittleren Beta-Schätzung des Gesamtmodells und des Modells ohne Wechselwirkungen zwischen den Phasen. Im Modell ohne Wechselwirkungen zwischen den Phasen wird dies teilweise durch erhöhte Varianten der gesamten Versuchsfläche kompensiert.
Um einen kurzen Ausblick zu geben: Wir möchten diese Ergebnisse verallgemeinern, indem wir beispielsweise das Ausmaß der Wechselwirkungen zwischen den einzelnen Stufen mit dem der Wechselwirkungen, die nicht zwischen den Stufen stattfinden, vergleichen, um eine Möglichkeit zu erhalten, sie mit tatsächlichen experimentellen Ergebnissen zu vergleichen, die wir hoffentlich in der Zukunft erhalten werden.
Darüber hinaus möchten wir dieses Benchmarking auf weitere Modellierungsansätze wie stufenweise Regressionsmodelle ausdehnen und den Functional Data Explorer zur Analyse von iDoE-Daten verwenden.
Das war das Ende meiner Präsentation. Ich möchte mich ganz herzlich bei Ihnen allen fürs Zuhören bedanken und insbesondere bei Verena und Beate für die Betreuung und Unterstützung während meines Promotionsprojekts.
